KLASIFIKASI NASABAH BAIK DAN BERMASALAH MENGGUNAKAN METODE NAIVE BAYES
|
|
- Bambang Santoso
- 6 tahun lalu
- Tontonan:
Transkripsi
1 KLASIFIKASI NASABAH BAIK DAN BERMASALAH MENGGUNAKAN METODE NAIVE BAYES Yuli Murdianingsih Manajemen Informatika STMIK Subang, Jawa Barat Jl.Marsinu no 5 Subang, telp (0260) yuli_murdianingsih@yahoo.com Abstrak Masih besarnya besaran kredit macet di tahun 2014 sebesar 10,7% dan adanya kecenderungan peningkatan nilai NPL dari UMKM pada tahun 2014 sebesar 3,7 membuat penulis tertarik untuk membuat prototipe sistem penentuan kredit macet. Dua persen (2 %) kegagalan bank disebabkan oleh fraud, dan 98 % penyebab kegagalan bank dikerenakan NPL (Non Ferporming Loan). NPL merupakan indiakasi adanya masalah dalamsebuah bank. Jika NPL tidak segera mendapatkan solusi maka akan berdampak bahaya pada bank, dampak bahaya tersebut diantaranya adalah mengurangi jumlah modal yang dimiliki oleh bank. NPL bisa menjadi indikator jumlah kredit bermasalah. Menggunakan sampel data penenlitian sekunder, terhadap record data baru yang belum memiliki kelas, dilakukan perhitungan probailitas nilai kelas, probabilitas level golongan pada nilai kelas, probabilitas jumlah tanggungan pada nilai kelas, probabilitas level pinjaman pada nilai kelas dan probabilitas jangka waktu pada nilai kelas. Nilai probabilitas yang mengarah pada nilai kelas tertentu menunjukkan bahwa kelasnya adalah kelas tersebut. Dengan menggunkan tools PHP dan DBMS MySQL dilakukan implementasi sistem penentuan nassabah bermasalah dan nasabah baik. Diperoleh sistem berbasis web menggunakan PHP dan MySQL yang dapat melakukan penentuan nasabah bermasalah dan nasabah baik menggunakan metode naive bayes. Besaran probabilitas nilai kelas hasil perhitungan manual sama dengan besaran nilai probabilitas hasil sistem. Kata Kunci : Nasabah,Naive Bayes, NPL. 1. PENDAHULUAN Dua persen (2 %) kegagalan bank disebabkan oleh fraud, dan 98 % penyebab kegagalan bank dikerenakan NPL (Non Ferporming Loan). NPL merupakan indiakasi adanya masalah dalamsebuah bank. Jika NPL tidak segera mendapatkan solusi maka akan berdampak bahaya pada bank, dampak bahaya tersebut diantaranya adalah mengurangi jumlah modal yang dimiliki oleh bank (bangun, 2012). NPL bisa menjadi indikator jumlah kredit bermasalah.ada kecenderungan kredit macet meningkat di tahun 2014, seperti pada Tabel 1, demikian juga nilai NPL pada Tabel 2, cenderung meningkat. Tabel 1 Data kredit macet tahun (Sucipto, 2015) tahun Jumlah anggota Kredit macet % % % % % % Tabel 2 Perkembangan kredit dan Prediksi NPL UMKM 2014 (Khairul, 2015) Tahun Kredit NPL , , , ,7 3.7 Parameter-parameter penentuan kredit dalam dunia perbankan biasanya kompleks. Dalam penelitian ini akan digunakan parameter jumlah tanggungan, level golongan, level pinjaman dan jangka waktu berdasarkan pada data penelitian sekunder dari Firmansyah (2011). 349
2 2. TINJAUAN PUSTAKA Pada data BCA finance jakarta, metoda Naive Bayes lebih unnggul digunakan untuk pengolahan data awal dan memperoleh akurasi signifikan dengan derajat excellent classification (Ciptohartono, 2014). Metode naïve bayes dapat digunakan untuk menentukan kelayakan kredit sepeda motor Nugroho dan Suryati (2013). Dalam menentukan parameter pertimbangan kredit, untuk menentukan apakah nasabah ada kemungkinan bermasalah dan nasabah berkemungkinan baik, menurut Zurada dalam Firmansyah (2011) beberapa atribut yang menyertai data debitur diantaranya umur, jumlah kredit, checking, penjamin, jangka kredit, lama bekerja, jumlah akun di bank, status pekerjaan, histori kredit, status rumah, dana aman, status pernikahan, alasan pinjaman. Merupakan pengklasifikiasian statistik yang dapat digunakan untuk memprediksi probabilitas keanggotaan suatu class....1) (Kusrini dan luthfi, 2009) Dimana: X: data dengan class yang belum diketahui H:hipotesis data X merupakan suatu class spesifik P(H X):probabilitas hipotesis H berdasar kondisi X (posteriori probability) P(H):probabilitas hipotesis H(prior probability) P(X H):probabilitas X berdasar kondisi pada hipotesis H P(X):probabilitas dari X 3. METODE PENELITIAN Tabel 3 menunjukkan data penelitian yang merupakan data sekunder, data bernilai kategorikal. Tabel 4 menunjukkan satu baris data kasus. Terdapat 39 baris data sebagai data penelitian sekunder penentuan kemungkinan nasabah baik dan nasabah bermasalah NO Tabel 3 Data penentuan kemungkinan nasabah Firmansyah (2011) Jumlah Tanggungan Level Golongan Level Pinjaman Jangka Waktu Class 1 Sedang III Kecil 2 Baik 2 Sedang II Sedang 3 Bermasalah 3 Sedang II Kecil 2 Baik 4 Sedikit III Sedang 3 Baik 5 Sedikit IV Sedang 3 Baik 6 Sedang III Sedang 3 Baik 7 Banyak II Sedang 3 Bermasalah 8 Sedikit II Sedang 3 Baik 9 Sedikit II Sedang 3 Bermasalah 10 Sedang III Besar 3 Baik 11 Banyak III Sedang 2 Baik 12 Banyak II Sedang 3 Baik 13 Sedikit IV Besar 3 Baik 14 Sedikit III Besar 2 Bermasalah 15 Sedikit II Sedang 2 Baik 16 Sedang II Sedang 2 Baik 17 Sedikit III Sedang 2 Baik 18 Banyak I Sedang 3 Bermasalah 19 Sedikit II Besar 3 Bermasalah 20 Banyak III Sedang 3 Baik 21 Kosong II Sedang 3 Baik 350
3 NO Jumlah Tanggungan Level Golongan Level Pinjaman Jangka Waktu Class 22 Kosong III Sedang 3 Baik 23 Sedikit III Kecil 2 Baik 24 Sedang III Kecil 3 Baik 25 Sedang IV Sedang 3 Baik 26 Kosong IV Sedang 3 Baik 27 Banyak IV Sedang 3 Baik 28 Sedikit III Besar 3 Baik 29 Sedang III Sedang 3 Bermasalah 30 Sedang II Sedang 3 Baik 31 Sedikit IV Sedang 3 Baik 32 Kosong III Besar 3 Baik 33 Sedikit III Kecil 3 Baik 34 Kosong II Besar 3 Baik 35 Sedang I Sedang 3 Bermasalah 36 Sedang IV Kecil 2 Baik 37 Sedang IV Besar 3 Baik 38 Sedikit III Sedang 3 Bermasalah 39 Sedikit IV Kecil 2 Baik Tabel 4 Data kasus baru yang belum ada dalam Tabel 3 NO Jumlah Tanggungan Level Golongan Level Pinjaman Jangka Waktu Class 1 Sedikit IV Besar 2? Dilakukan penghitungan probabilitas ke arah class bermasalah dan baik, sebagai berikut: P(class= baik )=30/39=0,76 P(class= bermasalah )=9/39=0,23 Hitung P(X C i ), untuk i=1,2 P(jumlah tanggungan= sedikit class= baik )=11/30= 0,36 P(jumlah tanggungan= sedikit class= bermasalah )=4/9=0,44 P(level golongan= IV class= baik )=9/30=0,3 P(level golongan= IV class= bermasalah )=0/9=0 P(level pinjaman= besar class= baik )=7/30=0,23 P(level pinjaman= besar class= bermasalah )=2/9=0,22 P(jangka waktu= 2 class= baik )=9/30=0,3 P(jangka waktu= 2 class= bermaslah )=1/9=0,11 P(X class= baik )=0,36 x 0,3 x 0,23x 0,3 = P(X class= bermasalah )=0,44 x 0 x 0,22 x 0,11 = 0 P(X class= baik )P(class= baik )=0, x 0,76 =0,00566 P(X class= bermasalah )P(class= bermasalah )= 0 x 0,23=0 ***kesimpulan class= baik 351
4 Untuk memperoleh prototipe sistem dimodelkan data dengan lima entitas masing-masing adalah nasabah, parameter pemberian kredit, kasus, solusi dan entitas tampung nilai seperti pada Gambar 1. no Id_nasabah Nama_nas Id_nasabah Jumlah_tanggungan jenkel alamat nasabah 1 memiliki n parameter No_kontak Level_golongan Level_pinjaman No_kasus Jumlah_tanggungan Jangka_waktu No_kasus kasus 1 memiliki n solusi Level_golongan Level_pinjaman Jangka_waktu Arah_baik Arah_bermasalah Total_nasabah_baik Totasl_kasus Total_nasabah_bermasalah No_kasus jangkawaktux_bermasalah Tampung_nilai tanggunganx_baik jangkawaktux_baik levelpinjamanx_bermasalah levelpinjamanx_baik tanggunganx_bermasalah levelgolonganx_baik Levelgolonganx_bermasalah Gambar 1 Model data sistem Dilakukan perancangan fungsional meliputi diagam konteks, seperti pada Gambar 2 dan DFD seperti pada Gambar 3. Diagram konteks system digunakan untuk memberikan gambaran input dan out put dari sistem ke user. Diagram konteks sistem penentuan klasifikasi nasabah bermasalah dan baik diperlihatkan pada Gambar 2, terdapat satu entitas luar berupa user yang memeasukkan data nasabah, data parameter dan kasus dan memperoleh keluaran berupa informasi kemungkinan nasabah bermasalah dan nasabh baik. Data nasabah, kasus, parameter user Sistem penentuan Kemungkian Nasabah Beermasalah dan nasabah Baik Informasi Kemungkinan nasabah bermasalah, baik Gambar 2. Diagram konteks system Terdapat enam proses dalam DFD level 1 yaitu proses input data nasabah, input data parameter, input data kasus, proses menentukan nilai probabilitas dari variabel Bayes, proses menentukan kemungkinan nasabah bermasalah dan baik serta menampilkan nasabah bermasalah dan tidak bermasalah. DFD Level 1 diperlihatkan dalam Gambar 3. terdapat tiga data store masing-masing daerah, parameter_kebak dan view_potensi_kebak, masing-masing Seperti terlihat pada Gambar
5 Data daerah 2.0 Input data nasabah 1.0 Input data parameter Nilai parameter numerik user Id_nasabah, nama_nas,alamat, saved Id_nasabah Id_nasabah,no Jumlah_tanggungan, Level_golongan, Level_pinjamam, Jangka_waktu, kemungkinan 3.0 Input data kasus Jumlah tanggungan, Level golongan, Level_pinjaman, Jangka waktu parameter nasabah Tampung_nilai Id_nasabah 4.0 Menentukan nilai probabilitas dari Variabel Bayes Id_nasabah, Total_kasus,total kasus baik, Total kasus bermasalah, tanggunganx_baik, Tanggunganx_bermasalah, Levelgolonganx_baik, levelgolonganx_bermasalah, levelpinjamanx_baik, levelpinjamanx_bermasalah, jangkawaktux_baik, jangkawaktux_bermasalah, saved 5.0 menentukan kemungkinan Nasabah bermasalah atau baik Id_nasabah, Total_kasus,total kasus baik, Total kasus bermasalah, tanggunganx_baik, Tanggunganx_bermasalah, Levelgolonganx_baik, levelgolonganx_bermasalah, levelpinjamanx_baik, levelpinjamanx_bermasalah, jangkawaktux_baik, jangkawaktux_bermasalah, No_kasus, Arah_baik, Arah_bermasalah, saved solusi No_kasus,id_nasabah, Nama_nas, kemungkinan nasabah baik atau bermasalah No_kasus No_kasus, jumlah_tanggungan, Level_golongan, level_pinjaman, Jangka_waktu saved Tampung_nilai 6.0 tampilkan kemungkinan nasabah bermasalah dan baik Informasi potensi tingkat kebakaran hutan Gambar 3 Diagram Alir Data level 1 4. HASIL DAN PEMBAHASAN Dalam penelitian ini mengimplementasikan basis data relasional. Basis data relasional diimpelementasikan dalam DBMS MySQL, seperti diperlihatkan dalam Gambar 4. Sesuai dengan ancangnnhya di Bab III, terdapat empat tabel dalam basis datanya yaitu tabel kasus, solusi, nasabah, parameter dan tampung nilai. Gambar 4 Relasi antar tabel 353
6 Gambar 5 merupakan tampilan menu utama sistem dimana terdapat ling untuk mengambil nilai atribut, mengambil nilai variabel, menghapus nilai atribut sebelumnya dan menampilkan daftar probabilitas ke arah baik dan ke arah bermasalah. Gambar 5 Menu utama Gambar 6 menunjukkan antar muka untuk mangambil kasus dan nilai atribut. Gambar 7 menunjukkan potongan kode untuk realisasi pengambilan nilai atribut. Gambar 8 menampilkan antar muka untuk mengambil nilai variabel Naive Bayes sesua analisis perhitungan. Gambar 6 Ambil kasus dan atribut //mengisikan total kasus nasabah ke arah bermasalah echo"<tr><td>total nasabah bermasalah</td><td colspan=2> "; $ee="select count(kemungkinan) as total_nasabah_bermasalah from parameter where kemungkinan='bermasalah'"; $ea=mysql_query($ee); $ec=mysql_fetch_array($ea); // menampilkan jumlah total nasabah ke arah bermasalah echo"<input type=text name=total_nasabah_bermasalah value='$ec[total_nasabah_bermasalah]'></td></tr>"; Gambar 7 Potongan kode untuk mengambil total nasabah ke arah bermasalah 354
7 Gambar 8 Ambil nilai variabel Naive Bayes Dilakukan implenetasi kode PHP dalam penghitungan probabilitas, sebagai berikut, menghitung probabilitas class, jumlah tanggungan, level golongan, level pinjaman dan jangka waktu: //menghitung nilai probabilitas class $a=$data[total_nasabah_baik]/$data[total_kasus]; echo"probabilitas nilai investasi besar adalah:$a<br>"; $b=$data[total_nasabah_bermasalah]/$data[total_kasus]; echo"probabilitas nilai investasi sedang adalah:$b<br>"; //probabilitas jangka Waktu $m=$data[jangkawaktux_baik]/$data[total_nasabah_baik]; echo"p(jangka waktu=x nilai_nasabah=baik) adalah $m<br>"; $n=$data[jangkawaktux_bermasalah]/$data[total_nasabah_bermasalah]; echo"p(jangka waktu=x nilai_nasabah=bermasalah) adalah $n<br>"; Gambar 8 potongan kode probabilitas atribut class dan parameter kredit nasabah 5. KESIMPULAN Berdasarkan hasil pembahasan pada bab sebelumnya, diperoleh kesimpilan sebagai berikut: 1. Dapat diimplementasikan sistem penentuan kemungkinan nasabah bermasalah dan nasabah baik menggunakan parameter jumlah tanggungan, level golongan, level pinjaman dan jangka waktu. 2. Hasil analisis perhitungan sama dengan hasil implementasi sistem 3. Mengingat jumlah data yang digunakan untuk penelitian ini adalah data penelitian sekunder sebanyak 39 data, maka dalam pengembanngan berikutnya sebaiknya diupayakan lebih banyak lagi mengingat data mining bisa mengelola data dengan jumlah yang sangat besar. DAFTAR PUSTAKA Bangun, A.S., 2012, Penanganan Kredit Bermasalah, dapat diakses pada: Ciptohartono, C.C., 2014, Algoritma Klasifikasi Naive Bayes untuk Menilai Kelayakan Kredit, Fakultas Ilmu Komputer Udinus Firmansyah, 2011, Penerapan Algoritma Klasifikasi C 4.5 untuk Penentuan Kelayakan Pemberian Kredit Koperasi, Tesis STMIK Nusa Mandiri, Jakarta Indra, 2008, Analisa Kredit, dapat diakses: 355
8 Khairul, I., 2015, Zona berbahaya: Kredit bermasalah UMKM meningkat, Kompasiana.com Kusrini, Luthfi, E., T., 2009, Algoritma Data Mining, Andi Offset, Yogyakarta Nugroho, H.F., Suryati, P., 2013, Aplikasi Sistem Pendukung Keputusan Pengajuan Kredit Sepeda Motor, Semnastik 2013, Semarang Sucipto, A., 2015, Prediksi Kredit Macet Melalui Perilaku Nasabah, Jurnal Dispotek Unisnu Jepara, Jepara 356
BAB 1 PENDAHULUAN Latar Belakang
1 BAB 1 PENDAHULUAN 1.1. Latar Belakang Kredit macet merupakan salah satu masalah yang sering dialami oleh perbankan hingga saat ini. Banyaknya calon debitur yang melakukan kredit membuat pihak bank harus
Lebih terperinciBAB I PENDAHULUAN. kegiatan simpan pinjam layaknya bank, dimana ijin operasionalnya di bawah
BAB I PENDAHULUAN A. Latar Belakang Koperasi adalah suatu lembaga keuangan bukan bank yang bergerak dalam kegiatan simpan pinjam layaknya bank, dimana ijin operasionalnya di bawah Kementrian Koperasi dan
Lebih terperinciDAFTAR ISI PHP... 15
DAFTAR ISI HALAMAN JUDUL... i LEMBAR PERSETUJUAN... ii LEMBAR PENGESAHAN... iii HALAMAN PERSEMBAHAN... iv HALAMAN MOTTO... v KATA PENGANTAR... vi INTISARI... viii DAFTAR ISI... ix DAFTAR GAMBAR... xii
Lebih terperinciPENERAPAN NAÏVE BAYES UNTUK PREDIKSI KELAYAKAN KREDIT
PENERAPAN NAÏVE BAYES UNTUK PREDIKSI KELAYAKAN KREDIT Dedy Ahmad Kurniawan 1), Danny Kriestanto 2) Teknik Informatika, STMIK AKAKOM e-mail: dedyahmad.akakom10@gmail.com 1), danny@akakom.ac.id 2) ABSTRAK
Lebih terperinciIMPLEMENTASI DATA MINING UNTUK MEMPREDIKSI DATA NASABAH BANK DALAM PENAWARAN DEPOSITO BERJANGKA DENGAN MENGGUNAKAN ALGORITMA KLASIFIKASI NAIVE BAYES
IMPLEMENTASI DATA MINING UNTUK MEMPREDIKSI DATA NASABAH BANK DALAM PENAWARAN DEPOSITO BERJANGKA DENGAN MENGGUNAKAN ALGORITMA KLASIFIKASI NAIVE BAYES Nama : Muhammad Rizki NPM : 54410806 Jurusan Pembimbing
Lebih terperinciBAB III ANALISIS DAN PERANCANGAN
BAB III ANALISIS DAN PERANCANGAN III.1. Analisis Masalah Analisa sistem pada yang berjalan bertujuan untuk mengidentifikasi serta melakukan evaluasi terhadap Sistem Pendukung Keputusan Pemberian Kredit
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang Masalah
BAB 1 PENDAHULUAN 1.1 Latar Belakang Masalah Kredit adalah suatu kapabilitas yang memungkinkan seseorang untuk memperoleh uang atau melakukan suatu pinjaman uang dengan syarat adanya perjanjian untuk membayar
Lebih terperinciBAB II TINJAUAN PUSTAKA DAN LANDASAN TEORI
BAB II TINJAUAN PUSTAKA DAN LANDASAN TEORI 2.1 Tinjauan Studi Sebelum melakukan penelitian penulis terlebih dahulu melakukan tinjauan pustaka dari penelitian lain dan penelitian tentang prediksi penjurusan
Lebih terperinciKLASIFIKASI NASABAH ASURANSI JIWA MENGGUNAKAN ALGORITMA NAIVE BAYES BERBASIS BACKWARD ELIMINATION
KLASIFIKASI NASABAH ASURANSI JIWA MENGGUNAKAN ALGORITMA NAIVE BAYES BERBASIS BACKWARD ELIMINATION Betrisandi betris.sin@gmail.com Universitas Ichsan Gorontalo Abstrak Pendapatan untuk perusahaan asuransi
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
1 BAB I PENDAHULUAN 1.1 Latar Belakang Beredarnya iklan penawaran kepemilikan kendaraan sepeda motor yang cukup menarik dengan menawarkan berbagai syarat kemudahan pembayaran membuat bagi sebagian orang
Lebih terperinciSISTEM UNTUK DETEKSI KERUSAKAN MESIN DIESEL MOBIL PANTHER DENGAN METODE NAÏVE BAYES
ISSN : 2338-4018 SISTEM UNTUK DETEKSI KERUSAKAN MESIN DIESEL MOBIL PANTHER DENGAN METODE NAÏVE BAYES Wawan Singgih P (wawan.sinus@gmail.com) Didik Nugroho (didikhoho@gmail.com) Yustina Retno WU (yustina.retno@gmail.com)
Lebih terperinciABSTRAKS A. LATAR BELAKANG PENELITIAN
PEBANGUNAN DATABASE TERPADU BERBASIS WEB UNTUK MENYEDIAKAN INFORMASI DEBITUR BAGI PD. BPR/PK SEKABUPATEN INDRAMAYU ===================== Suwanto, Erlina Dayanti ====================== ABSTRAKS PD BPR /
Lebih terperinciSISTEM PENDUKUNG KEPUTUSAN PEMBERIAN KREDIT USAHA MIKRO PADA BANK MANDIRI GOMBONG
SISTEM PENDUKUNG KEPUTUSAN PEMBERIAN KREDIT USAHA MIKRO PADA BANK MANDIRI GOMBONG Ika Nur Fajri 1, Bambang Soedijono W. 2, Syamsul A. Syahdan 3 1,2,3 Magister Teknik Informatika STMIK AMIKOM Yogyakarta
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Kredit merupakan produk utama dari koperasi simpan pinjam dalam upaya meningkatkan profitabilitasnya. Namun akan terjadi masalah apabila manajemen sembarangan dalam
Lebih terperinciAPLIKASI PENENTUAN ANGGOTA KELAS UNGGULAN DENGAN METODE NAÏVE BAYES
APLIKASI PENENTUAN ANGGOTA KELAS UNGGULAN DENGAN METODE NAÏVE BAYES SKRIPSI Diajukan Untuk Memenuhi Sebagian Syarat Guna Memperoleh Gelar Sarjana Teknik (S.Kom) Pada Program Studi Teknik Informatika Oleh:
Lebih terperinciISSN : STMIK AMIKOM Yogyakarta, 6-8Februari 2015
KLASIFIKASI DATA NAP (NOTA ANALISIS PEMBIAYAAN) DENGAN 5C+1S UNTUK PENENTUAN TINGKAT KEAMANAN PEMBIAYAAN MENGGUNKAN ALGORITMA NAÏVE BAYES CLASSIFIER PADA BANK SYARIAH Sumarni Adi1) 1) Teknik Informatika
Lebih terperinciRancang Bangun Sistem Pakar untuk Mendiagnosa Penyakit Meningitis Menggunakan Metode Naïve Bayes Berbasis Web
Konferensi Nasional Sistem & Informatika 2017 STMIK STIKOM Bali, 10 Agustus 2017 Rancang Bangun Sistem Pakar untuk Mendiagnosa Penyakit Meningitis Menggunakan Metode Naïve Bayes Berbasis Web Ni Luh Ratniasih
Lebih terperinciSISTEM PENDUKUNG KEPUTUSAN UNTUK MEMPREDIKSI KETEPATAN LAMARAN KERJA SISWA MENGGUNAKAN METODE NAIVE BAYES DI SMK ISLAM 1 DURENAN
SISTEM PENDUKUNG KEPUTUSAN UNTUK MEMPREDIKSI KETEPATAN LAMARAN KERJA SISWA MENGGUNAKAN METODE NAIVE BAYES DI SMK ISLAM 1 DURENAN SKRIPSI Diajukan Untuk Penulisan Skripsi Guna Memenuhi Salah Satu Syarat
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN 3.1. Tahapan Penelitian Metodologi penelitian digunakan sebagai pedoman dalam pelaksanaan penelitian agar hasil yang dicapai tidak menyimpang dari tujuan. Tahapan penelitian
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Salah satu pelayanan dalam dunia perbankan adalah pemberian pinjaman kredit kepada nasabah yang memenuhi syarat perbankan. kredit merupakan sumber utama penghasilan
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang 1.2 Perumusan Masalah
BAB I PENDAHULUAN 1.1 Latar Belakang Saat ini sering terjadi data explosion problem yaitu data data yang tersimpan dalam database berjumlah sangat besar namun dari data data tersebut belum banyak dimanfaatkan
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN Untuk melakukan sebuah penelitian, diperlukan adanya tahapan-tahapan yang tersusun dengan baik dan sistematis agar pelaksanaan penelitian tepat mencapai tujuan yang diharapkan.
Lebih terperincikhazanah Aplikasi Pemrediksi Masa Studi dan Predikat Kelulusan Mahasiswa Informatika Universitas Muhammadiyah Surakarta Menggunakan Metode Naive Bayes
29 khazanah informatika Jurnal Ilmu Komputer dan Informatika Aplikasi Pemrediksi Masa Studi dan Predikat Kelulusan Mahasiswa Informatika Universitas Muhammadiyah Surakarta Menggunakan Muh Amin Nurrohmat
Lebih terperinciBAB I PENDAHULUAN. merupakan kombinasi dari bahasa sansekerta cred yang artinya kepercayaan
BAB I PENDAHULUAN I.1. Latar Belakang Kredit berasal dari kata latin credo yang berarti saya percaya, yang merupakan kombinasi dari bahasa sansekerta cred yang artinya kepercayaan dan bahasa latin do yang
Lebih terperinciBAB I PENDAHULUAN. pengkomunikasian untuk masalah semi-terstruktur. Secara khusus, SPK
BAB I PENDAHULUAN I.1. Latar Belakang Decision Support Sistem (DSS) atau Sistem Pendukung Keputusan (SPK) secara umum didefinisikan sebagai sebuah sistem yang mampu memberikan kemampuan baik kemampuan
Lebih terperinciANALISA DAN PERANCANGAN APLIKASI DATA MINING PENENTUAN RESIKO KREDIT KEPEMILIKAN KENDARAAN BERMOTOR MENGGUNAKAN ALGORITMA K-NEAREST NEIGHBOR
ANALISA DAN PERANCANGAN APLIKASI DATA MINING PENENTUAN RESIKO KREDIT KEPEMILIKAN KENDARAAN BERMOTOR MENGGUNAKAN ALGORITMA K-NEAREST NEIGHBOR Fahrozi Zulfami Program Sarjana Teknik Informatika, Universitas
Lebih terperinciSISTEM INFORMASI PENILAIAN SISWA UNTUK PENJURUSAN PADA SMA NEGERI 1 PLOSOKLATEN KEDIRI MENGGUNAKAN METODE NAIVE BAYES SKRIPSI
SISTEM INFORMASI PENILAIAN SISWA UNTUK PENJURUSAN PADA SMA NEGERI 1 PLOSOKLATEN KEDIRI MENGGUNAKAN METODE NAIVE BAYES SKRIPSI Diajukan Untuk Memenuhi Sebagian Syarat Guna Memperoleh Gelar Sarjana Komputer
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang Masalah
BAB 1 PENDAHULUAN 1.1 Latar Belakang Masalah Deposito merupakan salah satu tabungan berjangkaayangamodel pengambilannya berdasarkan pada kesepakatan dari pihak bank dengan nasabah deposito [1].Suku bunga
Lebih terperinciDAFTAR ISI... LEMBAR PENGESAHAN PEMBIMBING... LEMBAR PENGESAHAN PENGUJI... HALAMAN PERSEMBAHAN... HALAMAN MOTTO... KATA PENGANTAR...
DAFTAR ISI LEMBAR PENGESAHAN PEMBIMBING... LEMBAR PENGESAHAN PENGUJI... HALAMAN PERSEMBAHAN... HALAMAN MOTTO... KATA PENGANTAR... DAFTAR ISI... DAFTAR GAMBAR... DAFTAR TABEL... ABSTRAKSI... i ii iii v
Lebih terperinciBAB IV PERANCANGAN SISTEM
BAB IV PERANCANGAN SISTEM Perancangan sistem adalah suatu gambaran sketsa sistem atau pengaturan dari beberapa elemen yang terpisah ke dalam kesatuan yang utuh dan berfungsi. Perancangan ini dibuat untuk
Lebih terperinciALGORITMA KLASIFIKASI NAÏVE BAYES UNTUK MENILAI KELAYAKAN KREDIT (Studi Kasus : Bank Mandiri Kredit Mikro)
ALGORITMA KLASIFIKASI NAÏVE BAYES UNTUK MENILAI KELAYAKAN KREDIT (Studi Kasus : Bank Mandiri Kredit Mikro) Fachry Husaini Program Studi Teknik Informatika Universitas Muhammadiyah Jember Email: fachry.gambleiss@gmail.com
Lebih terperinciPENERAPAN NAIVE BAYES CLASSIFIER DALAM IDENTIFIKASI PENYAKIT ANTRAKS PADA SAPI ABSTRAK
PENERAPAN NAIVE BAYES CLASSIFIER DALAM IDENTIFIKASI PENYAKIT ANTRAKS PADA SAPI,, Program Studi Ilmu Komputer, F-MIPA Universitas Pakuan Email : hassolthine@gmail.com Program Studi Ilmu Komputer, F-MIPA
Lebih terperinciBAB IV HASIL DAN UJI COBA
BAB IV HASIL DAN UJI COBA IV.1. Tampilan Hasil Berikut ini akan dijelaskan tentang tampilan hasil program dan pembahasan dari Sistem Pendukung Keputusan Menentukan Pemberian Pinjaman Kredit (Debitur) Pada
Lebih terperinciJURNAL. NAIVE BAYES KLASIFIKASI UNTUK SISTEM BANTU PENGAMBILAN TREATMENT TERAPI BERDASARKAN KELUHAN PASIEN (Studi Kasus : Terapi NAKAMURA Kediri)
JURNAL NAIVE BAYES KLASIFIKASI UNTUK SISTEM BANTU PENGAMBILAN TREATMENT TERAPI BERDASARKAN KELUHAN PASIEN (Studi Kasus : Terapi NAKAMURA Kediri) Oleh: MOHAMMAD SUHADI NPM : 12.1.03.02.0046 Dibimbing oleh
Lebih terperinciIMPLEMENTASI DATA MINING ALGORITMA C4.5 UNTUK MEMPREDIKSI PEMBAYARAN PINJAMAN PADA KOPERASI SIMPAN PINJAM PRIMKOVERI BINA BAKTI PEMALANG
IMPLEMENTASI DATA MINING ALGORITMA C4.5 UNTUK MEMPREDIKSI PEMBAYARAN PINJAMAN PADA KOPERASI SIMPAN PINJAM PRIMKOVERI BINA BAKTI PEMALANG NASKAH PUBLIKASI diajukan oleh Rezki Badriza 11.11.5436 kepada JURUSAN
Lebih terperinciJURNAL PERAMALAN PENERIMAAN NASABAH PADA PT BPR BINA REKSA KARYAARTHA MENGGUNAKAN METODE NAÏVE BAYES FORECASTING CUSTOMER ACCEPTANCE OF PT BPR
JURNAL PERAMALAN PENERIMAAN NASABAH PADA PT BPR BINA REKSA KARYAARTHA MENGGUNAKAN METODE NAÏVE BAYES FORECASTING CUSTOMER ACCEPTANCE OF PT BPR KARYAARTHA USING NAÏVE BAYES Oleh: Bagus Dwi Laksono Putro
Lebih terperinciSistem Pendukung Keputusan Pemberian Kredit Pada Pd. Bpr Bkk Demak Cabang Sayung Dengan Metode Fuzzy Madm (Multiple Attribute Decision Making
Sistem Pendukung Keputusan Pemberian Kredit Pada Pd. Bpr Bkk Demak Cabang Sayung Dengan Metode Fuzzy Madm (Multiple Attribute Decision Making) Menggunakan Saw (Simple Additive Weighting) Muhammad Al Fadlu
Lebih terperinciBAB 3 METODE PENELITIAN
BAB 3 METODE PENELITIAN Pada proses penelitian ini dilakukan beberapa tahapan mulai dari tahap awal yaitu tahap inisiasi, pengembangan model, dan tahap terakhir pengembangan prototipe. Dalam tahapan inisiasi
Lebih terperinciAPLIKASI RESERVASI RUANGAN KELAS
APLIKASI RESERVASI RUANGAN KELAS Yuli Astuti 1, Erni Seniwati 2 1 Manajemen Informatika, 2 Sistem Informasi, STMIK AMIKOM Yogyakarta Jl. Ring Road Utara Condong Catur Depok Sleman Yogyakarta Telp.(0274)
Lebih terperinciBAB III ANALISIS DAN DESAIN SISTEM
BAB III ANALISIS DAN DESAIN SISTEM III.1. Analisis Masalah Semangka merupakan salah satu buah yang sangat digemari masyarakat Indonesia karena rasanya yang manis, renyah dan kandungan airnya yang banyak.
Lebih terperinciBAB I PENDAHULUAN. basis data dan mengubahnya menjadi informasi yang berguna. Metode data
BAB I PENDAHULUAN 1.1 Latar Belakang Data-data pinjaman yang tersimpan pada Koperasi XYZ yang selama ini hanya dijadikan arsip koperasi sebenarnya dapat dimanfaatkan menjadi sesuatu yang lebih berguna.
Lebih terperinciAbidah Elcholiqi, Beta Noranita, Indra Waspada
Abidah Elcholiqi, Beta Noranita, Indra Waspada PENENTUAN BESAR PINJAMAN DI KOPERASI SIMPAN PINJAM DENGAN ALGORITMA K-NEAREST NEIGHBOR (Studi Kasus di Koperasi Simpan Pinjam BMT Bina Insani Pringapus) Abidah
Lebih terperinciKATA PENGANTAR. Tuhan Yesus Kristus, atas segala berkat-berkat-nya sehingga penulis dapat
KATA PENGANTAR Salam Damai Kristus, Tiada kata yang indah untuk bersyukur kecuali ucapan syukur kepada Tuhan Yesus Kristus, atas segala berkat-berkat-nya sehingga penulis dapat menyelesaikan skripsi ini
Lebih terperinciPENERAPAN ALGORITMA NAIVE BAYES UNTUK MEMPREDIKSI KEPUTUSAN NASABAH TELEMARKETING DALAM MENAWARKAN DEPOSITO
PENERAPAN ALGORITMA NAIVE BAYES UNTUK MEMPREDIKSI KEPUTUSAN NASABAH TELEMARKETING DALAM MENAWARKAN DEPOSITO Wahyu Nurjaya WK 1, Yusrina Adani 2 Program Studi Sistem Informasi, STMIK LPKIA Bandung Program
Lebih terperinciSISTEM PENDUKUNG KEPUTUSAN PEMILIHANKELAS UNGGULAN IPA DI SMA NEGERI 1 PATIANROWO MENGGUNAKAN METODE NAÏVE BAYES
SISTEM PENDUKUNG KEPUTUSAN PEMILIHANKELAS UNGGULAN IPA DI SMA NEGERI 1 PATIANROWO MENGGUNAKAN METODE NAÏVE BAYES SKRIPSI Diajukan Untuk Memenuhi Sebagian Syarat Guna Memperoleh Gelar Sarjana Komputer (S.Kom)
Lebih terperinciPrediksi Tingkat Kelulusan Siswa Dalam UAN Di SMP Negeri 2 Deket Dengan Menggunakan Metode Teorema Bayes
Prediksi Tingkat Kelulusan Siswa Dalam UAN Di SMP Negeri 2 Deket Dengan Menggunakan Metode Teorema Bayes Miftahus Sholihin, Aizatus Sholikhiyah* ) 1) Program Studi Teknik Informatika Fakultas Teknik Universitas
Lebih terperinciKLASIFIKASI TEKS MENGGUNAKAN CHI SQUARE FEATURE SELECTION UNTUK MENENTUKAN KOMIK BERDASARKAN PERIODE, MATERI DAN FISIKDENGAN ALGORITMA NAIVEBAYES
K LA S IF IK A S I TEKS M ENG G UNAKAN CHI SUUARE FEATURE SELECT/UNU NTUK M ENEN TU KAN K O M IK B E R D A S A R K A N PERIO DE, M ATERI DAN FIS IK D E N G A N A LG O R ITM A NANEBAYES KLASIFIKASI TEKS
Lebih terperinciPREDIKSI HERREGISTRASI CALON MAHASISWA BARU MENGGUNAKAN ALGORITMA NAÏVE BAYES
PREDIKSI HERREGISTRASI CALON MAHASISWA BARU MENGGUNAKAN ALGORITMA NAÏVE BAYES Selvy Megira 1), Kusrini 2), Emha Taufiq Luthfi 3) 1), 2), 3) Teknik Universitas AMIKOM Yogyakarta Jl Ring road Utara, Condongcatur,
Lebih terperinciIMPLEMENTASI DATA MINING DENGAN NAIVE BAYES CLASSIFIER UNTUK MENDUKUNG STRATEGI PEMASARAN DI BAGIAN HUMAS STMIK AMIKOM YOGYAKARTA
IMPLEMENTASI DATA MINING DENGAN NAIVE BAYES CLASSIFIER UNTUK MENDUKUNG STRATEGI PEMASARAN DI BAGIAN HUMAS STMIK AMIKOM YOGYAKARTA Erik Hadi Saputra 1), Burhan Alfironi Muktamar 2) 1), 2) Teknik Informatika
Lebih terperinciWEBSITE PT. PEGADAIAN (PERSERO) PADA KANTOR WILAYAH III PALEMBANG MENGGUNAKAN PHP DAN MYSQL
WEBSITE PT. PEGADAIAN (PERSERO) PADA KANTOR WILAYAH III PALEMBANG MENGGUNAKAN PHP DAN MYSQL Seftia Susmitha Sistem Informasi STMIK PalComTech Palembang Abstract Website ini dibuat agar dapat memenuhi kebutuhan
Lebih terperinciAplikasi E-Ticketing Berbasis Web Pada PT. Infomedia Nusantara
Aplikasi E-Ticketing Berbasis Web Pada PT. Infomedia Nusantara Yudha Pratama 1, Eko Subyantoro 2, Rima Maulini 3 1 mahasiswa, 2 pembimbing 1, 3 pembimbing 2 Mahasiswa Jurusan Ekonomi dan Bisnis dan Dosen
Lebih terperinciKata Kunci : Optimasi, Naïve Bayes, Risiko Kredit, Algoritma Genetika, Seleksi Fitur.
OPTIMASI SELEKSI FITUR KLASIFIKASI NAÏVE BAYES MENGGUNAKAN ALGORITMA GENETIKA UNTUK PREDIKSI RISIKO KREDIT KONSUMEN (Studi Kasus : PT. Finansia Multi Finance (KreditPlus) Tanjungpinang) Sisma Tri Wulan
Lebih terperinciClass Diagram Activity Diagram Entity Relationship Diagram (ERD) MySQL CodeIgniter
DAFTAR ISI KATA PENGANTAR... i ABSTRAK... ii ABSTRACT... iii DAFTAR ISI... iv DAFTAR GAMBAR... ix DAFTAR TABEL... xii DAFTAR LAMPIRAN... xiv BAB 1 PENDAHULUAN... 1 1.1 Latar Belakang... 1 1.2 Rumusan Masalah...
Lebih terperinciJURNAL SISTEM INFORMASI SIMPAN PINJAM BANK PERKREDITAN RAKYAT (BPR) PT.ARMINDO KENCANA NGANJUK
JURNAL SISTEM INFORMASI SIMPAN PINJAM BANK PERKREDITAN RAKYAT (BPR) PT.ARMINDO KENCANA NGANJUK SAVINGS AND LOAN INFORMATION SYSTEM OF RUAL CREDIT BANK PT.ARMINDO KENCANA NGANJUK Oleh: MUKHAMAD YUNUS SETIYO
Lebih terperinciDAFTAR ISI. ABSTRAK...i. ABSTRACT...ii. KATA PENGANTAR...iii. UCAPAN TERIMAKASIH...iv. DAFTAR ISI...vi. DAFTAR TABEL...ix. DAFTAR GAMBAR...
DAFTAR ISI ABSTRAK...i ABSTRACT...ii KATA PENGANTAR...iii UCAPAN TERIMAKASIH...iv DAFTAR ISI...vi DAFTAR TABEL...ix DAFTAR GAMBAR...xi BAB I PENDAHULUAN...1 1.1 Latar Belakang...1 1.2 Rumusan Masalah...4
Lebih terperinciBAB III ANALISIS DAN DESAIN SISTEM
BAB III ANALISIS DAN DESAIN SISTEM III.1. Analisis Masalah Kebutuhan akan teori dalam dunia pendidikan sangat besar. Teori banyak di tulis ke dalam sebuah buku maupun jurnal. Pada universitas potensi utama,
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Anak merupakan sebuah karunia bagi setiap orangtua. Setiap anak diharapkan dapat tumbuh dan berkembang secara sehat, baik fisik, mental dan sosial sesuai dengan pertambahan
Lebih terperinciBAB III ANALISIS DAN DESAIN SISTEM
BAB III ANALISIS DAN DESAIN SISTEM III.1. Analisis Masalah Seseorang yang ingin memeriksa kesehatannya cenderung untuk berkonsultasi ke dokter ahli, namun terkadang hal ini dapat menyulitkan seseorang
Lebih terperinciKata kunci: ATM, Automated Teller Machine, data encryption standard, phishing, Naive Bayes
PREDlKSl TINGKAH LAKU SESEORANG PADA SAAT MENGGUNKAN ATM DENGAN METODE NAIVE SCHOOL PREDICTES AT THE TIME TO USE ATM WITH NAIVE BAYES METHOD ABSTRAK Pada skripsi ini dibahas mengenai prediksi sistem keamanan
Lebih terperinciJURNAL SISTEM PENDUKUNG KEPUTUSAN DALAM PEMBERIAN KREDIT PADA KSP MITRA RAKYAT BERSAMA NGANJUK DENGAN METODE ANALYTICAL HIERARCHY PROCESS (AHP)
JURNAL SISTEM PENDUKUNG KEPUTUSAN DALAM PEMBERIAN KREDIT PADA KSP MITRA RAKYAT BERSAMA NGANJUK DENGAN METODE ANALYTICAL HIERARCHY PROCESS (AHP) Disusun Oleh: Moh.Arifin NPM : 12.1.03.03.0318 Dibimbing
Lebih terperinciJURNAL. Sistem Bantu Pemilihan Penerima Bantuan Siswa Miskin Menggunakan KNN (K-NEAREST NEIGHBOR)
JURNAL Sistem Bantu Pemilihan Penerima Bantuan Siswa Miskin Menggunakan KNN (K-NEAREST NEIGHBOR) Help System Selecting The Beneficiaries Of Poor Students Use KNN (K-NEAREST NEIGHBOR) Oleh: MOHAMMAD SYAIFUDIN
Lebih terperinciKlasifikasi Penerima Bantuan Kredit Koperasi Dengan Metode ID3
JURNAL SISTEM DAN INFORMATIKA 67 Klasifikasi Penerima Bantuan Kredit Koperasi Dengan Metode ID3 Ida Bagus Suradarma, I Komang Dharmendra STMIK STIKOM BALI Jln. Raya Puputan Renon No. 86 Telp. (0361) 244445
Lebih terperinciAplikasi Absensi Pegawai di Yayasan Pendidikan Tinggi menggunakan Barcode Scanning
KARYA ILMIAH MAHASISWA MANAJEMEN INFORMATIKA 1 Aplikasi di Yayasan Pendidikan Tinggi menggunakan Barcode Scanning Mohammad Aziz Fikri 1, Mochammad Yusman 2, Eko Subyantoro 3 1 mahasiswa, 2 pembimbing 1,
Lebih terperinciIMPLEMENTASI DATA MINING MENGGUNAKAN ALGORITMA NAÏVE BAYES DALAM MENENTUKAN PENGUNDURAN DIRI CALON MAHASISWA PADA UNIVERSITAS DIAN NUSWANTORO SEMARANG
1 IMPLEMENTASI DATA MINING MENGGUNAKAN ALGORITMA NAÏVE BAYES DALAM MENENTUKAN PENGUNDURAN DIRI CALON MAHASISWA PADA UNIVERSITAS DIAN NUSWANTORO SEMARANG Muhammad Efendi Program Studi Teknik Informatika
Lebih terperinciBAB III ANALISA DAN DESAIN SISTEM
BAB III ANALISA DAN DESAIN SISTEM III.1. Analisa Masalah Analisis masalah atau analisis sistem di artikan sebagai penguraian dari suatu sistem informasi yang utuh ke dalam bagian-bagian komponennya dengan
Lebih terperinciBAB I PENDAHULUAN. Berdasarkan wawancara dengan pihak pengembang yaitu manager
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Indonesia merupakan salah satu negara yang memiliki jumlah penduduk yang tinggi. Menurut data Badan Pusat Statistik jumlah penduduk Indonesia pada tahun 2010
Lebih terperinciBAB I PENDAHULUAN. Oleh karena itu dalam melakukan Kegiatan usahanya sehari-hari bank harus
BAB I PENDAHULUAN I.1. Latar Belakang Bank adalah lembaga keuangan yang usaha pokoknya adalah menghimpun dana dan menyalurkan kembali dana tersebut ke masyarakat dalam bentuk kredit serta memberikan jasa-jasa
Lebih terperinciGambar 4.1 Flowmap Usulan Pengecekan Berkas
41 Marketing Back Office Pimpinan Pengajuan Form BI T Lengkap Pengecekan BI Tanda Tangan Y Form Cek BI DB BI Cetak Hasil Cek Pengembalian T Hasil Cek Tanda Tangan Kolektibilitas Y Informasi Input Data
Lebih terperinciKATA PENGANTAR. Bandung, 03 Agustus Penulis
KATA PENGANTAR Puji syukur penulis panjatkan kepada Tuhan Yang Maha Esa yang telah melimpahkan rahmat dan anugerah-nya kepada penulis, sehingga penulis dapat menyelesaikan Proyek Akhir dengan judul Aplikasi
Lebih terperinciJURNAL IMPLEMENTASI ALGORITMA C4.5 DALAM PENENTUAN JURUSAN DI SMK PEMUDA PAPAR KEDIRI
JURNAL IMPLEMENTASI ALGORITMA C4.5 DALAM PENENTUAN JURUSAN DI SMK PEMUDA PAPAR KEDIRI C4.5 ALGORITHM IMPLEMENTATION IN DETERMINING THE DEPARTMENT OF SMK PEMUDA PAPAR KEDIRI Oleh: MARISA FITRI FATMAWATI
Lebih terperinciPENERAPAN METODE NAIVE BAYES UNTUK KLASIFIKASI JAGUNG PRODUKTIF DI GORONTALO
PENERAPAN METODE NAIVE BAYES UNTUK KLASIFIKASI JAGUNG PRODUKTIF DI GORONTALO Ramayanti Kaku, Arip Mulyanto, Manda Rohandi Program Studi Sistem Informasi/ Jurusan Teknik Informatika Abstrak Bervariasinya
Lebih terperinciJURNAL SISTEM PENDUKUNG KEPUTUSAN KELAYAKAN PENGAJUAN KREDIT SEPEDA MOTOR DENGAN METODE BAYES
JURNAL SISTEM PENDUKUNG KEPUTUSAN KELAYAKAN PENGAJUAN KREDIT SEPEDA MOTOR DENGAN METODE BAYES DECISION SUPPORT SYSTEMS WORTHINESS OF CREDIT APPLICATION MOTORCYCLES WITH BAYES METHOD Oleh: SEPTINA DWI ARIANTI
Lebih terperinciBAB III ANALISIS DAN DESAIN SISTEM
BAB III ANALISIS DAN DESAIN SISTEM III.1. Analisa Masalah Perkembangan dunia bisnis yang ada pada saat ini terutama nasabah perkreditan, dimana tiap-tiap nasabah selalu memiliki system masing-masing dalam
Lebih terperinciJURNAL PENERAPAN ALGORITMA NAIVE BAYES UNTUK PREDIKSI LAMA STUDI MAHASISWA PADA JURUSAN SISTEM INFORMASI SEKOLAH TINGGI MANAJEMEN INFORMATIKA
JURNAL PENERAPAN ALGORITMA NAIVE AYES UNTUK PREDIKSI LAMA STUDI MAHASISWA PADA JURUSAN SISTEM INFORMASI SEKOLAH TINGGI MANAJEMEN INFORMATIKA DAN KOMPUTER (STMIK) KADIRI IMPLEMENTATION OF NAIVE AYES ALGORITHM
Lebih terperinciJURNAL IMPLEMENTASI DATA MINING DENGAN ALGORITMA C4.5 UNTUK MEMPREDIKSI PRESTASI SISWA
JURNAL IMPLEMENTASI DATA MINING DENGAN ALGORITMA C4.5 UNTUK MEMPREDIKSI PRESTASI SISWA IMPLEMENTATION OF DATA MINING WITH C4.5 ALGORITHM TO PREDICT STUDENT ACHIEVEMENT Oleh: SITI MUHIMATUL KHOIROH NPM
Lebih terperinciBAB I PENDAHULUAN. masalah kecerdasan, desain, pemilihan, implementasi, dan monitoring (Tripathi,
BAB I PENDAHULUAN 1.1 Latar Belakang Pengambilan suatu keputusan dapat membantu dalam mencari solusi dari sekian banyak solusi yang ada. Pengambilan keputusan adalah hasil dari suatu proses yang termasuk
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Data Mining Secara sederhana data mining adalah penambangan atau penemuan informasi baru dengan mencari pola atau aturan tertentu dari sejumlah data yang sangat besar. Data mining
Lebih terperinciAPLIKASI SISTEM ADMINISTRASI BIMBEL BLC MENGGUNAKAN CODEIGNITER
APLIKASI SISTEM ADMINISTRASI BIMBEL BLC MENGGUNAKAN CODEIGNITER Fatona Fajariyanti Teknik Informatika, STMIK EL RAHMA Yogyakarta e-mail: nadea.calm@yahoo.co.id Abstract Application of this administrative
Lebih terperinciBAB I PENDAHULUAN Latar Belakang
BAB I PENDAHULUAN 1.1. Latar Belakang Persaingan industri perbankan saat ini semakin meningkat, baik dalam hal penyediaan produk, transaksi maupun pelayanan. Hal ini menunjukkan semakin banyak pula tuntutan
Lebih terperinciBAB II TINJAUAN PUSTAKA DAN DASAR TEORI. Dalam tinjauan pustaka dibawah ini terdapat 6 referensi sebagai berikut : - Algoritma Naïve Bayes Classifier
BAB II TINJAUAN PUSTAKA DAN DASAR TEORI 2.1 Tinjauan Pustaka Dalam tinjauan pustaka dibawah ini terdapat 6 referensi sebagai berikut : Tabel 2.1 Penelitian sebelumnya Parameter Penulis Objek Metode Hasil
Lebih terperinciPENERAPAN ALGORITMA K-NEAREST NEIGHBOR (K-NN) UNTUK PREDIKSI WAKTU KELULUSAN MAHASISWA
PENERAPAN ALGORITMA K-NEAREST NEIGHBOR (K-NN) UNTUK PREDIKSI WAKTU KELULUSAN MAHASISWA Andi Gita Novianti 1, Dian Prasetyo 2 1,2 Program Studi Teknik Informatika, Fakultas Ilmu Komputer dan Manajemen,
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN Pada bab ini akan dijelaskan tahap-tahap yang dilakukan dalam melakukan penelitian. Tahapan penelitian berguna agar pelaksanaan penelitian dapat berjalan dengan baik dan sistematis
Lebih terperinciIMPLEMENTASI DATA MINING UNTUK MEMPREDIKSI KELAYAKAN KREDIT NASABAH PADA BMT BUMI MIZAN SEJAHTERA YOGYAKARTA MENGGUNAKAN ALGORITMA C4.
IMPLEMENTASI DATA MINING UNTUK MEMPREDIKSI KELAYAKAN KREDIT NASABAH PADA BMT BUMI MIZAN SEJAHTERA YOGYAKARTA MENGGUNAKAN ALGORITMA C4.5 NASKAH PUBLIKASI diajukan oleh Ardun 12.11.6692 kepada SEKOLAH TINGGI
Lebih terperinciBAB III ANALISIS DAN PERANCANGAN
BAB III ANALISIS DAN PERANCANGAN III.1. Analisis Masalah Analisis masalah bertujuan untuk mengidentifikasi serta melakukan evaluasi terhadap Sistem Penunjang Keputusan Untuk Menentukan Kualitas Ekspor
Lebih terperinciSISTEM REKOMENDASI PENGAMBILAN KATEGORI SKRIPSI DENGAN PERHITUNGAN NAIVE BAYES
SKRIPSI SISTEM REKOMENDASI PENGAMBILAN KATEGORI SKRIPSI DENGAN PERHITUNGAN NAIVE BAYES Oleh: Muhammad Amdanibik 11.1.03.0.025 PROGRAM STUDI TEKNIK INFORMATIKA FAKULTAS TEKNIK UNIVERSITAS NUSANTRA PGRI
Lebih terperinciBAB I PENDAHULUAN. (SIG) adalah salah satu sistem informasi yang dibahas dalam ilmu komputer, yang
BAB I PENDAHULUAN I.1. Latar Belakang Pada Ilmu Komputer, Sistem Informasi merupakan hal yang sangat mendasar keterkaitannya dengan sistem secara global. Sistem Informasi Geografis (SIG) adalah salah satu
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang Masalah
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Saat ini media sosial seperti Twitter telah berkembang pesat. Data global menyebut pada akhir Desember 2014 Twitter memiliki 284 juta pengguna aktif. Dick Costolo
Lebih terperinciKATA PENGANTAR. 2. CV ANAQU PUTRA KARYA yang telah bersedia memberikan data untuk menjadi bahan studi kasus proyek akhir ini.
KATA PENGANTAR Alhamdulillah Puji syukur penulis panjatkan atas ke hadirat Allah SWT atas kehendak-nya penelitian berjudul SISTEM INFORMASI PENGOLAHAN DATA PENJUALAN TANAH KAVLING BERBASIS WEB PADA CV
Lebih terperinciBAB II KAJIAN PUSTAKA. pola seperti teknik statistic dan matematika (Larose, 2005).
BAB II KAJIAN PUSTAKA A. Data Minning Data minning adalah suatu proses menemukan hubungan yang berarti, pola dan kecenderungan dengan memeriksa dalam sekumpulan besar data yang tersimpan dalam penyimpanan
Lebih terperinciPREDIKSI HARGA SAHAM BERBASIS WEB DENGAN SISTEM INFERENSI FUZI TSUKAMOTO
PREDIKSI HARGA SAHAM BERBASIS WEB DENGAN SISTEM INFERENSI FUZI TSUKAMOTO Muchlas, Tole Sutikno Program Studi Teknik Elektro, Fakultas Teknologi Industri, Universitas Ahmad Dahlan Kampus III UAD, Jl. Prof
Lebih terperinciPENERAPAN ALGORITMA NAIVE BAYES UNTUK MEMPREDIKSI PROFIL LULUSAN STMIK LPKIA
PENERAPAN ALGORITMA NAIVE BAYES UNTUK MEMPREDIKSI PROFIL LULUSAN STMIK LPKIA 1 Ati Suci Dian Martha, S.Kom, M.T., 2 Popy Widiyani 1 Program Studi Teknik Informatika STMIK LPKIA 2 Program Studi Sistem Informasi
Lebih terperinciKONSEP SISTEM PENGELOLAAN DATA TRANSAKSI BANK SAMPAH. Jl. Kalisahak No 28 Komplek Balapan Yogyakarta
KONSEP SISTEM PENGELOLAAN DATA TRANSAKSI BANK SAMPAH Erfanti Fatkhiyah 1, Annisaa Utami 2 1,2 Jurusan Teknik Informatika, Fakultas Teknologi Industri, IST AKPRIND Yogyakarta Jl. Kalisahak No 28 Komplek
Lebih terperinciREKOMENDASI PENENTUAN PENERIMA BANTUAN IURAN (PBI) MENGGUNAKAN KLASIFIKASI ALGORITMA NAIVE BAYES
REKOMENDASI PENENTUAN PENERIMA BANTUAN IURAN (PBI) MENGGUNAKAN KLASIFIKASI ALGORITMA NAIVE BAYES SKRIPSI Diajukan Untuk Memenuhi Salah Satu Syarat Memperoleh Gelar Sarjana Komputer ( S.Kom. ) Pada Jurusan
Lebih terperinciDAFTAR ISI RINGKASAN KATA PENGANTAR
Ill DAFTAR ISI RINGKASAN i KATA PENGANTAR ii DAFTAR ISI iii DAFTAR TABEL vi DAFTARGAMBAR vii DAFTAR LAMPIRAN viii I. PENDAHULUAN 1.1. Latar Belakang 1 1.2. Perumusan Masalah 5 1.3. Tujuan dan Manfaat Penelitian
Lebih terperinciPoliteknik Negeri Sriwijaya BAB I PENDAHULUAN
BAB I PENDAHULUAN 1.1. Latar Belakang Badan Pelayanan Perijinan Terpadu ( BPPT ) kota Palembang yang bertempat di jalan merdeka Nomor 1 Palembang merupakan unsur pendukung tugas Walikota di bidang Pelayanan
Lebih terperinciRia Apriyani Devina Jurusan Sistem Informasi STMIK PalComTech Palembang. Abstrak
ANALISIS DAN RANCANG BANGUN SISTEM INFORMASI PENGOLAHAN DATA PEMBAYARAN KREDIT RUMAH BERJANGKA PADA PT PULAU JAYA ABADI PALEMBANG MENGGUNAKAN PEMROGRAMAN DELPHI 2007 DAN SQL SERVER 2008 Ria Apriyani Devina
Lebih terperinciPERANCANGAN SISTEM INFORMASI PREDIKSI RISIKO KREDIT BERBASIS WEB MENGGUNAKAN METODE NAÏVE BAYES CLASSIFIER
HALAMAN JUDUL PERANCANGAN SISTEM INFORMASI PREDIKSI RISIKO KREDIT BERBASIS WEB MENGGUNAKAN METODE NAÏVE BAYES CLASSIFIER SKRIPSI Oleh: Imas Suryati NIM 102410101084 PROGRAM STUDI SISTEM INFORMASI UNIVERSITAS
Lebih terperinciBAB I PENDAHULUAN Latar belakang Masalah. Koperasi merupakan suatu wadah yang dapat membantu masyarakat terutama
BAB I PENDAHULUAN 1.1. Latar belakang Masalah Koperasi merupakan suatu wadah yang dapat membantu masyarakat terutama masyarakat kecil dan menengah. Koperasi memegang peranan penting dalam pertumbuhan ekonomi
Lebih terperinciBAB III PEMBAHASAN. Sumber data diperoleh dari Koperasi X yang terdiri dari 3 file excel
BAB III PEMBAHASAN A. Sumber Data Sumber data diperoleh dari Koperasi X yang terdiri dari 3 file excel peminjam dengan jaminan sertifikat tanah, tunjuk, dan Buku Pemilik Kendaraan Bermotor (BPKB) serta
Lebih terperinciWEBSITE PT. LUMENINDO GILANG CAHAYA MENGGUNAKAN METODE WATERFALL
WEBSITE PT. LUMENINDO GILANG CAHAYA MENGGUNAKAN METODE WATERFALL Dewi Oktavia Anggraini Edo Emeraldo Jurusan Sistem Informasi STMIK PalComTech Palembang Abstrak PT. Lumenindo Gilang Cahaya adalah salah
Lebih terperinci